El documento describe el software estadístico Infostat desarrollado por profesionales de la estadística aplicada en Argentina. Explica cómo realizar análisis de varianza para diferentes diseños experimentales como diseños completamente al azar, diseños de bloques completos al azar y diseños de cuadrado latino usando Infostat. Proporciona ejemplos con datos ficticios para ilustrar cómo crear archivos en Excel e Infostat y cómo interpretar los resultados de los análisis de varianza.
1. El documento describe el diseño completamente al azar (DCA), en el cual las unidades experimentales se asignan al azar a los tratamientos sin restricciones. 2. Explica que el DCA es eficiente cuando las unidades experimentales son muy homogéneas. 3. También presenta el diseño en bloque completo al azar (BCA), el cual controla la variabilidad natural entre unidades experimentales agrupándolas en bloques homogéneos.
El diseño de bloques completos al azar surge por la necesidad que tiene el investigador de ejercer un control local de la variación dado la existencia de un material experimental heterogéneo
Este documento describe el análisis de varianza (ANAVA) y la prueba de Tukey para comparar múltiples medias. El ANAVA se utilizó para evaluar 9 insecticidas y su efecto en el número de larvas vivas de una plaga en el arroz. La prueba de Tukey se aplicó después para realizar comparaciones múltiples entre los tratamientos e identificar diferencias significativas entre las medias.
6 diseños completamente aleatorizado y bloques al azarrbarriosm
Este documento presenta una introducción a los diseños experimentales, en particular a los experimentos completamente aleatorizados. Explica conceptos como tratamientos, errores experimentales, análisis de varianza y comparación de medias. Incluye un ejemplo de un experimento completamente aleatorio con seis variedades de papa y cuatro repeticiones, donde se realiza el análisis de varianza correspondiente.
Este documento presenta los principios básicos del diseño de experimentos y análisis de varianza. Explica los supuestos del análisis de varianza como la aditividad del modelo, independencia de errores, normalidad de errores y homogeneidad de varianzas. También describe métodos para probar la normalidad y homogeneidad como las pruebas de Lilliefors y Bartlett. Finalmente, introduce conceptos como transformación de datos para cumplir con los supuestos estadísticos.
Este documento describe el diseño de experimentos completamente al azar, el cual es el más simple para comparar tratamientos. Se caracteriza por realizar las corridas experimentales en orden aleatorio completo y analizar la varianza total descomponiéndola en la varianza de los tratamientos y la varianza del error. Se utiliza cuando las unidades experimentales son homogéneas y solo difieren en los tratamientos aplicados, y ofrece sencillez estadística, máximos grados de libertad para estimar el error experimental, y la posibilidad de analizarlo con diferentes números de repet
Este documento presenta los conceptos básicos del análisis y diseño de experimentos. Explica que un experimento implica probar o medir el efecto de factores sobre una variable de respuesta. Luego describe los cuatro periodos históricos del diseño de experimentos, comenzando con su origen en la agricultura y evolucionando hacia aplicaciones industriales y de calidad. Finalmente, introduce los principios básicos como la aleatorización, replicación y bloqueo, y los tipos de diseños experimentales como los diseños completamente al azar y factoriales.
1. El documento describe el diseño completamente al azar (DCA), en el cual las unidades experimentales se asignan al azar a los tratamientos sin restricciones. 2. Explica que el DCA es eficiente cuando las unidades experimentales son muy homogéneas. 3. También presenta el diseño en bloque completo al azar (BCA), el cual controla la variabilidad natural entre unidades experimentales agrupándolas en bloques homogéneos.
El diseño de bloques completos al azar surge por la necesidad que tiene el investigador de ejercer un control local de la variación dado la existencia de un material experimental heterogéneo
Este documento describe el análisis de varianza (ANAVA) y la prueba de Tukey para comparar múltiples medias. El ANAVA se utilizó para evaluar 9 insecticidas y su efecto en el número de larvas vivas de una plaga en el arroz. La prueba de Tukey se aplicó después para realizar comparaciones múltiples entre los tratamientos e identificar diferencias significativas entre las medias.
6 diseños completamente aleatorizado y bloques al azarrbarriosm
Este documento presenta una introducción a los diseños experimentales, en particular a los experimentos completamente aleatorizados. Explica conceptos como tratamientos, errores experimentales, análisis de varianza y comparación de medias. Incluye un ejemplo de un experimento completamente aleatorio con seis variedades de papa y cuatro repeticiones, donde se realiza el análisis de varianza correspondiente.
Este documento presenta los principios básicos del diseño de experimentos y análisis de varianza. Explica los supuestos del análisis de varianza como la aditividad del modelo, independencia de errores, normalidad de errores y homogeneidad de varianzas. También describe métodos para probar la normalidad y homogeneidad como las pruebas de Lilliefors y Bartlett. Finalmente, introduce conceptos como transformación de datos para cumplir con los supuestos estadísticos.
Este documento describe el diseño de experimentos completamente al azar, el cual es el más simple para comparar tratamientos. Se caracteriza por realizar las corridas experimentales en orden aleatorio completo y analizar la varianza total descomponiéndola en la varianza de los tratamientos y la varianza del error. Se utiliza cuando las unidades experimentales son homogéneas y solo difieren en los tratamientos aplicados, y ofrece sencillez estadística, máximos grados de libertad para estimar el error experimental, y la posibilidad de analizarlo con diferentes números de repet
Este documento presenta los conceptos básicos del análisis y diseño de experimentos. Explica que un experimento implica probar o medir el efecto de factores sobre una variable de respuesta. Luego describe los cuatro periodos históricos del diseño de experimentos, comenzando con su origen en la agricultura y evolucionando hacia aplicaciones industriales y de calidad. Finalmente, introduce los principios básicos como la aleatorización, replicación y bloqueo, y los tipos de diseños experimentales como los diseños completamente al azar y factoriales.
Este documento presenta los conceptos fundamentales del diseño experimental completamente al azar (DCA). Define factores, tratamientos, testigos, unidades experimentales y variables de respuesta. Explica que el DCA asigna tratamientos aleatoriamente sin restricciones y es útil cuando las unidades son homogéneas. Finalmente, provee un ejemplo de DCA evaluando el efecto de raciones en cerdos y realiza los análisis de varianza y pruebas posteriores para comparar tratamientos.
Este documento describe el análisis de varianza (ANAVA) y la prueba de comparación múltiple de Tukey para comparar las medias de 9 tratamientos de insecticidas en un experimento de arroz. El ANAVA encontró diferencias significativas entre los tratamientos. La prueba de Tukey se utilizó luego para determinar qué pares de tratamientos tenían diferencias significativas mediante la comparación de las diferencias de medias con un valor crítico.
Diseño de bloques completamente aleatorio (dbca) 7Carmelo Perez
Este documento presenta los aspectos teóricos y metodológicos del diseño de bloque completamente aleatorizado (DBCA) para experimentos agrícolas. Explica que el DBCA divide la muestra en bloques homogéneos para controlar variación ajena y asigna tratamientos aleatoriamente dentro de cada bloque. Incluye fórmulas para el análisis de varianza (ANOVA) y un ejemplo numérico para ilustrar el proceso de DBCA.
Este documento describe el diseño de un experimento completamente aleatorizado. En el experimento, se evaluarán los efectos de tres dietas (tratamientos) en el diámetro torácico de terneras después de 5 meses. Siete terneras recibirán cada dieta de manera aleatoria y se medirá su diámetro torácico para determinar si los tratamientos tienen efectos diferentes en el crecimiento de las terneras.
Unidad 6. Diseño de Bloques Completos al AzarVerónica Taipe
Este documento describe el diseño de bloques al azar para comparar cuatro niveles de humedad del suelo (0.40, 0.45, 0.50 bar y sin riego) y su efecto en el rendimiento de plátano. El experimento incluyó cuatro tratamientos y seis repeticiones en bloques al azar. Los resultados mostraron diferencias significativas entre los tratamientos, requiriendo una comparación de medias para identificar el nivel de humedad más eficiente.
Este documento describe cinco métodos para asignar conejos a cuatro dietas diferentes (A, B, C, D) de forma aleatoria en un experimento. El Método 5 se considera un diseño completamente al azar adecuado, donde se asignan números a las jaulas y letras a las dietas, y se seleccionan aleatoriamente para asignar cada conejo a una jaula y dieta. El documento también explica el modelo estadístico para un diseño completamente al azar, donde las observaciones se suponen seleccionadas aleatoriamente de p
Este documento presenta los resultados de un experimento sobre el efecto de dos virus (Spfmv y Spcsv) en el cultivo de camote. Se establecieron cuatro tratamientos (dos virus individuales, ambos virus y un testigo sin virus). Se midió el peso total de la cosecha. El análisis de varianza mostró diferencias significativas entre los tratamientos. La prueba de Tukey reveló diferencias significativas entre todos los tratamientos excepto entre los tratamientos con un solo virus y el testigo.
Este documento presenta los resultados de un estudio para determinar la densidad aparente y real de los suelos, así como la porosidad, en cuatro horizontes de suelo en Chiapas, México. Se midió la densidad aparente entre 0.84 y 1.17 g/ml para los cuatro horizontes. La densidad real varió de 2.60 a 2.75 g/ml. La porosidad fue mayor en los horizontes superiores y menor en los más profundos, debido a una mayor compactación con la profundidad.
Este documento presenta información sobre el curso de Probabilidad y Estadística II impartido en la Universidad de Lima. Explica los objetivos del análisis de datos experimentales, los términos técnicos clave como experimento, factor, tratamiento y respuesta. Luego describe diseños experimentales como el diseño completamente aleatorio, en bloques completos aleatorios y cuadrado latino. Finalmente resume los pasos para realizar el análisis de varianza en estos diseños experimentales.
Este documento presenta un resumen de la prueba de homogeneidad de varianza y describe el procedimiento estadístico de Bartlett para evaluar si las varianzas entre grupos son iguales. Se aplica la prueba a un ejemplo de datos de peso de alpacas sometidas a diferentes dietas, calculando el estadístico de Bartlett. El resultado indica que no se puede rechazar la hipótesis nula de que las varianzas son iguales, por lo que existe homogeneidad de varianza entre los grupos.
El documento describe los conceptos básicos del diseño de experimentos, incluyendo los pasos de la estadística, los elementos y principios del diseño experimental como la aleatorización, replicación y control local. Explica términos como tratamiento, variable, unidad experimental y error experimental.
Este documento describe el modelo estadístico y análisis de varianza para un diseño cuadro latino. Se definen los tratamientos de las columnas, hileras y tratamientos sorteados. Los datos se recopilan y suman. Se calcula la suma de cuadrados total y de los tratamientos. Esto permite determinar si existen diferencias significativas entre los tratamientos evaluados.
El documento presenta una comparación de diferentes métodos estadísticos para comparar promedios, incluyendo las pruebas de Duncan, Tukey, Dunnett, Scheffé y Newman-Keuls. Explica cada método a través de ejemplos numéricos, describiendo cómo calcular los rangos significativos y determinar si hay diferencias significativas entre los promedios.
Este documento describe los procedimientos para tomar muestras de semillas de manera representativa. Explica que las muestras deben tomarse de diferentes niveles y áreas para representar todo el lote. También especifica el tamaño mínimo de las muestras según el tipo de semilla. Finalmente, detalla los pasos para mezclar las muestras elementales en una muestra compuesta representativa para su análisis.
Practica 1 de analisis alimentos humedad y masa secaYAZURAYDY
El documento presenta los métodos para determinar la humedad en alimentos. Se explica que existen tres formas en que se encuentra el agua en los alimentos: como agua de combinación, adsorbida o en forma libre. Los métodos más comunes para determinar la humedad son los de secado, como el secado en estufa o en estufa de vacío, los cuales se basan en medir la pérdida de peso de la muestra luego de evaporar el agua. También se mencionan otros métodos como la destilación azeotrópica y el
Este documento compara tres diseños experimentales: DCA, DBCA y DCL. Explica que el DCA se usa cuando las unidades experimentales son homogéneas, el DBCA cuando son heterogéneas y hay un factor de bloqueo, y el DCL cuando hay dos factores de bloqueo. Describe las características, modelos, hipótesis y conclusiones de cada diseño. También incluye ejemplos para ilustrar cómo se aplicarían los diseños en situaciones específicas.
Este documento describe los métodos para determinar la textura de un suelo, incluyendo el método de Bouyoucos y el método al tacto. Explica que la textura afecta propiedades como la estructura, porosidad y capacidad de intercambio iónico. Luego detalla los pasos para aplicar el método de Bouyoucos en el laboratorio y el método al tacto en el campo para determinar el porcentaje de arena, limo y arcilla en una muestra de suelo.
Este documento describe tres pruebas estadísticas para analizar datos categóricos: la prueba de bondad de ajuste, la prueba de independencia y la prueba de homogeneidad. Explica cómo usar la prueba chi-cuadrado de bondad de ajuste para determinar si las proporciones observadas en una muestra difieren de las proporciones esperadas en la población total. También incluye un ejemplo numérico para ilustrar el cálculo e interpretación de la prueba chi-cuadrado de bondad de ajuste
La prueba de Duncan es utilizada para realizar comparaciones múltiples de medias sin necesidad de realizar previamente la prueba F. La prueba de Duncan permite comparar medias para determinar si son significativamente diferentes entre sí, aunque no es necesario que el valor F sea significativo.
Un estudio de intervención, también llamado estudio experimental, es un estudio epidemiológico, analítico, prospectivo, caracterizado por la manipulación artificial del factor de estudio por el investigador y por la aleatorización. es una herramienta util y basica que ayudara al estudiante a interpretar los calculos en un diseño experimental.
Este documento presenta los conceptos fundamentales del diseño experimental completamente al azar (DCA). Define factores, tratamientos, testigos, unidades experimentales y variables de respuesta. Explica que el DCA asigna tratamientos aleatoriamente sin restricciones y es útil cuando las unidades son homogéneas. Finalmente, provee un ejemplo de DCA evaluando el efecto de raciones en cerdos y realiza los análisis de varianza y pruebas posteriores para comparar tratamientos.
Este documento describe el análisis de varianza (ANAVA) y la prueba de comparación múltiple de Tukey para comparar las medias de 9 tratamientos de insecticidas en un experimento de arroz. El ANAVA encontró diferencias significativas entre los tratamientos. La prueba de Tukey se utilizó luego para determinar qué pares de tratamientos tenían diferencias significativas mediante la comparación de las diferencias de medias con un valor crítico.
Diseño de bloques completamente aleatorio (dbca) 7Carmelo Perez
Este documento presenta los aspectos teóricos y metodológicos del diseño de bloque completamente aleatorizado (DBCA) para experimentos agrícolas. Explica que el DBCA divide la muestra en bloques homogéneos para controlar variación ajena y asigna tratamientos aleatoriamente dentro de cada bloque. Incluye fórmulas para el análisis de varianza (ANOVA) y un ejemplo numérico para ilustrar el proceso de DBCA.
Este documento describe el diseño de un experimento completamente aleatorizado. En el experimento, se evaluarán los efectos de tres dietas (tratamientos) en el diámetro torácico de terneras después de 5 meses. Siete terneras recibirán cada dieta de manera aleatoria y se medirá su diámetro torácico para determinar si los tratamientos tienen efectos diferentes en el crecimiento de las terneras.
Unidad 6. Diseño de Bloques Completos al AzarVerónica Taipe
Este documento describe el diseño de bloques al azar para comparar cuatro niveles de humedad del suelo (0.40, 0.45, 0.50 bar y sin riego) y su efecto en el rendimiento de plátano. El experimento incluyó cuatro tratamientos y seis repeticiones en bloques al azar. Los resultados mostraron diferencias significativas entre los tratamientos, requiriendo una comparación de medias para identificar el nivel de humedad más eficiente.
Este documento describe cinco métodos para asignar conejos a cuatro dietas diferentes (A, B, C, D) de forma aleatoria en un experimento. El Método 5 se considera un diseño completamente al azar adecuado, donde se asignan números a las jaulas y letras a las dietas, y se seleccionan aleatoriamente para asignar cada conejo a una jaula y dieta. El documento también explica el modelo estadístico para un diseño completamente al azar, donde las observaciones se suponen seleccionadas aleatoriamente de p
Este documento presenta los resultados de un experimento sobre el efecto de dos virus (Spfmv y Spcsv) en el cultivo de camote. Se establecieron cuatro tratamientos (dos virus individuales, ambos virus y un testigo sin virus). Se midió el peso total de la cosecha. El análisis de varianza mostró diferencias significativas entre los tratamientos. La prueba de Tukey reveló diferencias significativas entre todos los tratamientos excepto entre los tratamientos con un solo virus y el testigo.
Este documento presenta los resultados de un estudio para determinar la densidad aparente y real de los suelos, así como la porosidad, en cuatro horizontes de suelo en Chiapas, México. Se midió la densidad aparente entre 0.84 y 1.17 g/ml para los cuatro horizontes. La densidad real varió de 2.60 a 2.75 g/ml. La porosidad fue mayor en los horizontes superiores y menor en los más profundos, debido a una mayor compactación con la profundidad.
Este documento presenta información sobre el curso de Probabilidad y Estadística II impartido en la Universidad de Lima. Explica los objetivos del análisis de datos experimentales, los términos técnicos clave como experimento, factor, tratamiento y respuesta. Luego describe diseños experimentales como el diseño completamente aleatorio, en bloques completos aleatorios y cuadrado latino. Finalmente resume los pasos para realizar el análisis de varianza en estos diseños experimentales.
Este documento presenta un resumen de la prueba de homogeneidad de varianza y describe el procedimiento estadístico de Bartlett para evaluar si las varianzas entre grupos son iguales. Se aplica la prueba a un ejemplo de datos de peso de alpacas sometidas a diferentes dietas, calculando el estadístico de Bartlett. El resultado indica que no se puede rechazar la hipótesis nula de que las varianzas son iguales, por lo que existe homogeneidad de varianza entre los grupos.
El documento describe los conceptos básicos del diseño de experimentos, incluyendo los pasos de la estadística, los elementos y principios del diseño experimental como la aleatorización, replicación y control local. Explica términos como tratamiento, variable, unidad experimental y error experimental.
Este documento describe el modelo estadístico y análisis de varianza para un diseño cuadro latino. Se definen los tratamientos de las columnas, hileras y tratamientos sorteados. Los datos se recopilan y suman. Se calcula la suma de cuadrados total y de los tratamientos. Esto permite determinar si existen diferencias significativas entre los tratamientos evaluados.
El documento presenta una comparación de diferentes métodos estadísticos para comparar promedios, incluyendo las pruebas de Duncan, Tukey, Dunnett, Scheffé y Newman-Keuls. Explica cada método a través de ejemplos numéricos, describiendo cómo calcular los rangos significativos y determinar si hay diferencias significativas entre los promedios.
Este documento describe los procedimientos para tomar muestras de semillas de manera representativa. Explica que las muestras deben tomarse de diferentes niveles y áreas para representar todo el lote. También especifica el tamaño mínimo de las muestras según el tipo de semilla. Finalmente, detalla los pasos para mezclar las muestras elementales en una muestra compuesta representativa para su análisis.
Practica 1 de analisis alimentos humedad y masa secaYAZURAYDY
El documento presenta los métodos para determinar la humedad en alimentos. Se explica que existen tres formas en que se encuentra el agua en los alimentos: como agua de combinación, adsorbida o en forma libre. Los métodos más comunes para determinar la humedad son los de secado, como el secado en estufa o en estufa de vacío, los cuales se basan en medir la pérdida de peso de la muestra luego de evaporar el agua. También se mencionan otros métodos como la destilación azeotrópica y el
Este documento compara tres diseños experimentales: DCA, DBCA y DCL. Explica que el DCA se usa cuando las unidades experimentales son homogéneas, el DBCA cuando son heterogéneas y hay un factor de bloqueo, y el DCL cuando hay dos factores de bloqueo. Describe las características, modelos, hipótesis y conclusiones de cada diseño. También incluye ejemplos para ilustrar cómo se aplicarían los diseños en situaciones específicas.
Este documento describe los métodos para determinar la textura de un suelo, incluyendo el método de Bouyoucos y el método al tacto. Explica que la textura afecta propiedades como la estructura, porosidad y capacidad de intercambio iónico. Luego detalla los pasos para aplicar el método de Bouyoucos en el laboratorio y el método al tacto en el campo para determinar el porcentaje de arena, limo y arcilla en una muestra de suelo.
Este documento describe tres pruebas estadísticas para analizar datos categóricos: la prueba de bondad de ajuste, la prueba de independencia y la prueba de homogeneidad. Explica cómo usar la prueba chi-cuadrado de bondad de ajuste para determinar si las proporciones observadas en una muestra difieren de las proporciones esperadas en la población total. También incluye un ejemplo numérico para ilustrar el cálculo e interpretación de la prueba chi-cuadrado de bondad de ajuste
La prueba de Duncan es utilizada para realizar comparaciones múltiples de medias sin necesidad de realizar previamente la prueba F. La prueba de Duncan permite comparar medias para determinar si son significativamente diferentes entre sí, aunque no es necesario que el valor F sea significativo.
Un estudio de intervención, también llamado estudio experimental, es un estudio epidemiológico, analítico, prospectivo, caracterizado por la manipulación artificial del factor de estudio por el investigador y por la aleatorización. es una herramienta util y basica que ayudara al estudiante a interpretar los calculos en un diseño experimental.
La Unión Europea ha acordado un paquete de sanciones contra Rusia por su invasión de Ucrania. Las sanciones incluyen restricciones a los bancos rusos, la prohibición de exportaciones de alta tecnología a Rusia y la congelación de activos de oligarcas rusos. Los líderes de la UE esperan que estas medidas disuadan a Rusia de continuar su agresión militar contra Ucrania.
1. El documento describe conceptos clave de diseño de experimentos como factores, tratamientos, unidades experimentales, repeticiones y transformación de datos.
2. También revisa conceptos como análisis de varianza, elementos de un experimento como tratamiento y unidad experimental, y funciones de la repetición.
3. Finalmente, proporciona ejemplos de diseños experimentales como un arreglo factorial 2x3 y un diseño factorial 24 para evaluar factores en procesos fermentativos.
Taller de iniciación a la investigación clínica. parte iiXavi Barber
Este documento presenta una introducción al diseño de experimentos. Explica que el diseño de experimentos ayuda a investigadores a descubrir y entender relaciones entre variables y alcanzar objetivos a pesar de errores experimentales. Detalla que existen diseños sistemáticos y aleatorizados, y que dentro de los aleatorizados hay diseños irrestrictos, de bloques, balanceados y parcialmente balanceados. También recomienda consideraciones clave para el diseño de experimentos como la selección de factores, niveles, variables de respuesta y el diseño experimental
Este documento presenta los conceptos fundamentales del diseño experimental, incluyendo objetivos, factores, tratamientos, variable de respuesta, unidad experimental, aleatorización, repetición y bloqueo. Explica cada elemento y provee ejemplos ilustrativos. También distingue entre efectos fijos y aleatorios.
Este documento presenta los conceptos básicos del diseño experimental y los métodos de Taguchi, con énfasis en su aplicación en la industria farmacéutica. Introduce el análisis de varianza como herramienta fundamental para comparar grupos de datos y determinar si las diferencias observadas son estadísticamente significativas. Luego explica los experimentos factoriales y la metodología de Taguchi, enfocada en mejorar la calidad y robustez de los procesos. Finalmente, recomienda optar entre el diseño experimental tradicional o la metod
Este documento describe conceptos clave relacionados con el diseño experimental. Explica que el diseño experimental es el proceso de planificación de un experimento para obtener datos sobre el efecto de una variable manipulada sobre otra variable de manera precisa y a bajo costo. Luego, describe diferentes tipos de diseños experimentales como el diseño completamente aleatorizado y el diseño de bloques aleatorizados, así como conceptos como factores, niveles, tratamientos y replicación. Finalmente, presenta un ejemplo de diseño completamente aleatorizado para determinar el efecto de diferentes mé
Este documento describe el análisis de varianza (ANAVA) y la prueba de comparación múltiple de Tukey para comparar las medias de 9 tratamientos de insecticidas en un experimento de arroz. El ANAVA encontró diferencias significativas entre los tratamientos. La prueba de Tukey se utilizó luego para determinar qué pares de tratamientos tenían diferencias significativas mediante la comparación de las diferencias de medias con un valor crítico.
Se trata del análisis factorial, en el anpalisis psicométrico de insteumentos de investigación, lo cual es util para lograr una correcta recolecion de datos paraser analizados posteriormente
Este documento describe el análisis de varianza (ANOVA), un método estadístico para comparar más de dos medias. Explica que el ANOVA compara las varianzas entre grupos y dentro de grupos para determinar si los tratamientos afectan la variable de respuesta. También detalla los supuestos del ANOVA, incluyendo la independencia de observaciones, distribución normal y homogeneidad de varianzas.
Este documento describe el diseño en bloques completos aleatorizados (DBCA), donde las unidades experimentales se asignan a grupos homogéneos llamados bloques y los tratamientos se asignan al azar dentro de los bloques. El objetivo es controlar la variabilidad entre bloques para reducir la variabilidad del error experimental. Se presenta un ejemplo de DBCA para comparar la velocidad de 4 máquinas operadas por 6 operarios. El análisis de varianza separa la variación total en variación debida a tratamientos, bloques y error.
Este documento proporciona una introducción al análisis de varianza (ANOVA), que se utiliza para comparar las medias de tres o más poblaciones. Explica los conceptos básicos de ANOVA, incluidos los supuestos, la tabla ANOVA y los métodos posteriores como las pruebas de rango múltiple. También incluye ejemplos de cómo aplicar ANOVA para evaluar diferencias entre proveedores, tratamientos y otros factores.
Este documento presenta los conceptos y aplicaciones del diseño experimental y los métodos de Taguchi en la industria farmacéutica. Introduce brevemente el origen del diseño experimental y el análisis de varianza, y realiza una revisión del análisis de varianza a través de ejemplos numéricos. Luego, explica los experimentos factoriales y su uso en diseños y servicios farmacéuticos. Finalmente, esboza el enfoque de Taguchi y lo compara con los métodos tradicionales, antes de brindar recomendaciones sobre
STATGRAPHICS Centurión es un software estadístico para Windows que contiene más de 150 procedimientos estadísticos para análisis de datos. Incluye herramientas como StatWizard y StatAdvisor que guían a los usuarios sin experiencia estadística. El software ha estado en el mercado desde 1982 y es utilizado por grandes compañías.
Este documento describe un análisis de varianza paramétrico y no paramétrico realizado con datos de un experimento de diseño completamente al azar. Los resultados mostraron que el método no paramétrico fue significativo mientras que el paramétrico no, por lo que el no paramétrico parece ser el mejor método para analizar estos datos. El método no paramétrico también fue más liberal en separar las medias de los tratamientos. Hubo diferencias significativas entre los tratamientos para la variable respuesta utilizando el método no paramétrico.
Este documento describe varios diseños experimentales agrícolas, incluido el diseño completamente al azar con número desigual de observaciones por tratamiento. Explica que este diseño asigna tratamientos y réplicas al azar a unidades experimentales homogéneas sin organización en bloques. Aunque tiene baja precisión al no restringir la ubicación de tratamientos, compensa esto con mayor número de grados de libertad para el error experimental.
Introducción al diseño de experimentosProf. Ismael
El documento introduce el diseño estadístico de experimentos, desarrollado inicialmente por Ronald Fisher en 1935. Posteriormente, George E. P. Box y otros contribuyeron al desarrollo de metodologías para la industria. En la actualidad, el diseño de experimentos se utiliza ampliamente para mejorar procesos mediante la planificación y análisis estadístico de pruebas que manipulan factores clave.
Este documento describe el procedimiento de análisis factorial, una técnica de reducción de datos que busca encontrar grupos homogéneos de variables a partir de un conjunto numeroso de variables. El análisis factorial consta de cuatro fases: cálculo de una matriz de variabilidad conjunta, extracción del número óptimo de factores, rotación de la solución y estimación de puntuaciones de sujetos en las nuevas dimensiones. El documento explica cómo ejecutar un análisis factorial en SPSS y analiza los resultados de un ejemplo con variables laborales.
El documento describe el procedimiento de análisis factorial, una técnica de reducción de datos que busca grupos homogéneos de variables y reducir el número de dimensiones necesarias para explicar los datos. El análisis factorial consta de cuatro fases: cálculo de una matriz de varianzas-covarianzas, extracción de factores, rotación de la solución y estimación de puntuaciones factoriales. Se provee un ejemplo utilizando variables laborales para comprobar si es posible resumir la información en factores.
Este documento presenta la asignatura Biometría I. Explica que es teórico-práctica y obligatoria, enseñando conceptos biométricos para que los estudiantes puedan usar esta herramienta científica. Cubre temas como probabilidades, representaciones gráficas, muestreo, distribuciones estadísticas e inferencia estadística. El objetivo es que los estudiantes reconozcan y valoren la biometría para estimar parámetros biométricos que mejoren la productividad animal.
The document discusses hypothesis testing and outlines the key steps:
1. Define the null and alternative hypotheses. The null hypothesis states that there is no change or difference, while the alternative hypothesis states there is a change or difference.
2. Select the significance level. This is the probability of rejecting the null hypothesis when it is true.
3. Calculate the test statistic value from the sample data and compare it to the critical value(s). If the test statistic falls in the critical region, reject the null hypothesis.
Following the steps of hypothesis testing helps determine if there is sufficient evidence against the null hypothesis based on the sample data.
Este documento presenta una introducción a los métodos estadísticos. Explica que la estadística es una ciencia que permite describir y analizar datos para obtener conclusiones e inferencias. Luego, describe las estrategias de enseñanza para el curso, incluyendo el uso de plataformas virtuales y evaluaciones. Finalmente, presenta algunos conceptos básicos de estadística como población, muestra, variable, dato y clasificaciones de la estadística.
Este documento presenta una metodología de webquest para enseñar sobre el tema de la heredabilidad. Los estudiantes deben completar tareas individuales y en grupo para investigar la definición de heredabilidad, el proceso de estimación de heredabilidad, los aspectos positivos y negativos de la heredabilidad. Luego los estudiantes se dividen en grupos para debatir posiciones a favor y en contra, mientras un tercer grupo toma notas. Al final, este último grupo presenta conclusiones sobre el debate.
La sociedad del conocimiento se relaciona estrechamente con la educación, la sociedad en red, la información y la globalización. Promueve el desarrollo sostenible a través de valores como la innovación, el conocimiento compartido y el aprovechamiento de las tecnologías. El docente desempeña un papel fundamental como facilitador del aprendizaje y gestor crítico de la información en este nuevo paradigma.
Más de Universidad Nacional Agraria de la Selva (6)
Minería de Datos e IA Conceptos, Fundamentos y Aplicaciones.pdfMedTechBiz
Este libro ofrece una introducción completa y accesible a los campos de la minería de datos y la inteligencia artificial. Cubre todo, desde conceptos básicos hasta estudios de casos avanzados, con énfasis en la aplicación práctica utilizando herramientas como Python y R.
También aborda cuestiones críticas de ética y responsabilidad en el uso de estas tecnologías, discutiendo temas como la privacidad, el sesgo algorítmico y transparencia.
El objetivo es permitir al lector aplicar técnicas de minería de datos e inteligencia artificial a problemas reales, contribuyendo a la innovación y el progreso en su área de especialización.
LINEA DE TIEMPO Y PERIODO INTERTESTAMENTARIOAaronPleitez
linea de tiempo del antiguo testamento donde se detalla la cronología de todos los eventos, personas, sucesos, etc. Además se incluye una parte del periodo intertestamentario en orden cronológico donde se detalla todo lo que sucede en los 400 años del periodo del silencio. Basicamente es un resumen de todos los sucesos desde Abraham hasta Cristo
Este documento ha sido elaborado por el Observatorio Ciudadano de Seguridad Justicia y Legalidad de Irapuato siendo nuestro propósito conocer datos sociodemográficos en conjunto con información de incidencia delictiva de las 10 colonias y/o comunidades que del año 2020 a la fecha han tenido mayor incidencia.
Existen muchas más colonias que presentan cifras y datos en materia de seguridad, sin embargo, en este primer acercamiento lo que se prevées darle al lector una idea de como se encuentran las colonias analizadas, tomando como referencia los datos del INEGI 2020, datos del Secretariado Ejecutivo del Sistema Nacional de Seguridad Pública del 2020 al 2023 y las bases de datos propias que desde el 2017 el Observatorio Ciudadano ha recopilado de manera puntual con datos de las vıć timas de homicidio doloso, accidentes de tránsito, personas lesionadas por arma de fuego, entre otros indicadores.
1. 1
Universidad Privada Antenor Orrego
Procesamiento de datos proveniente de investigación
experimental
Aplicaciones básicas para el análisis estadístico de datos experimentales
en el programa INFOSTAT
Infostat es un software estadístico desarrollado por el Grupo Infostat, un
equipo de trabajo conformado por profesionales de la Estadística aplicada con
sede en la Facultad de Ciencias Agropecuarias de la Universidad Nacional de
Córdoba. Por la Cátedra de Estadística y Biometría participaron en la
elaboración de Infostat los profesores. Julio A. Di Rienzo, Mónica G.
Balzarini, Fernando Casanoves, Laura A. González, Elena M. Tablada y por
la Cátedra de Diseños de Experimentos participó el Prof. Carlos W. Robledo.
Infostat, como proyecto de investigación y desarrollo representa una síntesis
de la experiencia acumulada desde 1982 en la Unidad de procesamiento
Electrónico de datos y en la Cátedra de Estadística y de Diseño de
Experimentos. Labor enriquecida por la tarea docente de grado y postgrado, la
consultoría estadística y la formación de recursos humanos en estadística
aplicada realizada por los miembros del equipo de desarrollo. (Balzarini M.G.; et
al. 2008)
2. 2
Ejercicios en INFOSTAT
1. Análisis de Varianza para un Diseño Completamente al Azar
En este diseño, los tratamientos en estudio se distribuyen al azar en
todas las unidades experimentales; siendo el número de repeticiones por
tratamiento igual ó diferente.
Este diseño se emplea cuando la variabilidad en todo el material
experimental es relativamente pequeño y uniformemente distribuido
Ventaja:
Fácil de planear y analizar; además es flexible en el empleo del número
de tratamientos y repeticiones. Finalmente, permite tener dentro del
análisis de varianza el máximo número de grados de libertad para la
suma de cuadrados del error.
Desventaja:
La principal desventaja que presenta este diseño está relacionado a la
homogeneidad del material experimental; el cual es difícil de encontrar
en experimentos de campo, por lo que su uso se restringe con mucha
frecuencia a experimentos de laboratorio, o donde se pueda tener
control de los efectos no considerados en el estudio (ambiente,
temperatura, luz, etc.)
Recomendaciones:
1. Como la homogeneidad es un supuesto importante para la eficiencia de
este diseño, se debe tener mucho cuidado en la selección del material
experimental.
2. Debe seleccionarse cuidadosamente los tratamientos a estudiar y
planear ante mano las comparaciones o contrastes de interés
3. 3
3. Es preferible trabajar con un grupo selecto de tratamientos con el
mayor número de repeticiones que trabajar con muchos tratamientos
y pocas repeticiones.
HIPOTESIS ESTADISTICA
Ho: i = 0 (Todos los tratamientos tienen el mismo efecto sobre la
variable en estudio)
1= 2=…= K
H1: i 0 (No todos los tratamientos tienen el mismo efecto sobre la
variable en estudio)
Al menos un i es diferente
4. 4
Para realizar un análisis de varianza en INFOSTAT se debe crear primero un
archivo en el programa Excel. A continuación, se realizará un ejercicio con los
siguientes datos:
Se tienen los datos de tres raciones y se quiere saber si se debe aceptar que
los promedios de ellas en la población no difieren entre sí. Los rendimientos en
kilogramos observados de cinco animales de cada variedad son iguales:
Con base a estos datos creamos un archivo en el programa Excel el cual
quedará de la siguiente forma:
Raciones Rendimiento
1 28
1 27
1 21
1 21
1 23
2 18
2 17
2 19
2 16
2 22
3 22
3 18
3 19
3 22
3 17
Posterior a esto seleccionamos toda la tabla y elegimos la opción copiar. Una
vez abierto el programa INFOSTAT vamos a Archivo, Nueva tabla y este
Animales
(repeticiones) R1 R2 R3
1 28 18 22
2 27 17 18
3 25 19 19
4 21 16 22
5 23 22 17
Totales 124 92 98
5. 5
desplegará una tabla en blanco. Damos un Click derecho sobre esta tabla y
seleccionamos la opción Pegar incluyendo nombre de las columnas. El
programa pegara la tabla que creamos en Excel considerando la primera fila
como los nombres de la columna.
Una vez creada la tabla en el programa decidimos hacer un análisis de varianza
y damos clic en la opción Estadísticas y seleccionamos la opción Análisis de
varianza. Posterior a esto se despliega un cuadro donde nos pide definir la
variable dependiente o variable de respuesta, para este ejemplo vamos a
seleccionar Rendimiento y para la variable de clasificación vamos a seleccionar
Raciones para que el programa pueda hacer el análisis en base a estas
especificaciones.
6. 6
Damos aceptar y se despliega una ventana donde Comparaciones. En este
cuadro debemos seleccionar el tipo de prueba de comparación de medias que
deseamos que se haga en el análisis, el nivel de significancia y el orden de los
grupos de medias que desea que aparezca en la tabla de resultados, para este
caso debemos seleccionar Duncan, con un nivel de 0.05 y en orden de lista
descendente. Seleccionamos aceptar y se desplegará una ventana con los
resultados del análisis con los datos siguientes:
7. 7
Como podemos observar en los resultados el valor de p para el modelo es
0.0153 igual que el valor de p para la ración lo que significa que esta es la única
fuente de variación para el modelo usado. El valor de p = 0.001532 para la
ración indica que hay diferencia significativa con un nivel de confianza de 95%.
El valor de R2
= 0.50 indica que el 50% de los datos se ajustan al modelo. El CV
(Coeficiente de Variación) es de 12.98. Recuerde que coeficientes mayores de
30 indican que existe problema con el modelo que se está aplicando a los datos
o en algunos casos la muestra tomada es muy pequeña.
La prueba de Duncan a las medias indica los grupos formados de acuerdo con la
separación de medias. La N indica el número de datos tomados para realizar la
media. En este caso las raciones 2 y 3 no son diferentes estadísticamente y
ambas difieren estadísticamente con la ración 1.
Algo importante que se debe tomar en cuenta que en la mayoría de pruebas de
comparación de medias se requiere que los tratamientos tengan un mismo
número de observaciones. Cuando se trata de tratamientos con efecto
aleatorio o cuantitativo es preferible ajustar modelos de regresión a los datos
2. Análisis de varianza para Diseños de Bloque Completo al Azar (BCA)
En muchos problemas de experimentos, es necesario hacer un diseño de tal
manera que la variabilidad proveniente de fuentes conocidas pueda ser
8. 8
sistemáticamente controlada. El diseño con bloques completos aleatorizados
pretende reducir el efecto de la variabilidad proveniente de causas propias del
experimento, pero independiente del efecto que se desea estudiar
El Diseño en Bloque Completo al Azar es un plan en el cual las unidades
experimentales se asignan a grupos homogéneos, llamados bloques, y los
tratamientos son, luego, asignados al azar dentro de los bloques.
Objetivo del agrupamiento: lograr que las unidades dentro de un bloque sean lo
más uniformes posible con respecto a la variable dependiente, de modo que las
diferencias observadas se deban realmente a los tratamientos.
Al controlar la variación dentro de los bloques reducimos la variabilidad del
error experimental. Completo: todos los tratamientos están incluidos en
cada bloque.
Se divide el material experimental en tantos bloques como números de
replicaciones a utilizar. Cada bloque es luego dividido en tantas UE como
tratamientos haya en estudio. Como el DBCA especifica que todos los
tratamientos deben aparecer una vez en cada replicación, la aleatorización se
hace separadamente en cada bloque.
Ventajas
Puede proveer resultados más precisos que un DCA del mismo tamaño si
los agrupamientos son efectivos.
Sirve para cualquier nº de tratamientos y replicaciones.
Los tratamientos no necesitan tener tamaños de muestras iguales.
(Bloque Incompleto)
El análisis no se complica si se debe descartar, por alguna causa, un
tratamiento o algún bloque.
Se puede introducir, deliberadamente, variabilidad en las unidades
experimentales para ampliar el rango de validez de los resultados sin
sacrificar la precisión de los resultados.
Desventajas
La observación faltante dentro de un bloque requiere cálculos más
complejos.
Los grados de libertad para el error experimental no son tantos como en
el DCA.
Se requieran más presunciones para el modelo: no interacción entre
tratamientos y bloques, varianza constante de bloque a bloque.
Para crear el archivo en INFOSTAT procederemos de la misma manera que el
DCA visto anteriormente. Utilicemos los datos del siguiente experimento.
9. 9
Para el ensamble de una ordeñadora se considera comparar 4 máquinas
diferentes. Como la operación de las máquinas requiere cierta destreza se
anticipa que habrá una diferencia entre los operarios en cuanto a la velocidad
con la cual operen la maquinaria. Se decide que se requerirán 6 operarios
diferentes en un experimento de bloques aleatorizado para comparar las
máquinas
Entonces, el factor de interés es uno sólo, pero se crea otro factor para
controlar la variabilidad extraña y excluirla así del error experimental.
10. 10
El archivo en Excel quedaría de la siguiente manera (este sería el que se va a
pegar en la tabla nueva del INFOSTAT, incluyendo el nombre de las columnas).
Maquina Operario Tiempo
1 1 42.5
1 2 39.3
1 3 39.6
1 4 39.9
1 5 42.9
1 6 43.6
2 1 39.8
2 2 40.1
2 3 40.5
2 4 42.3
2 5 42.5
2 6 43.1
3 1 40.2
3 2 40.5
3 3 41.3
3 4 43.4
3 5 44.9
3 6 45.1
4 1 42.3
4 2 43.2
4 3 44.5
4 4 45.2
4 5 46.9
4 6 43.3
Se procede de igual manera que se hizo para el DCA a diferencia que en este
análisis para BCA se incluye como variable de clasificación a Bloque y
Tratamiento. La ventana de resultados muestra los siguientes datos.
11. 11
Como se puede observar en la tabla de análisis de varianza existe diferencia
entre los bloques (operario) lo que indica que el bloqueo hizo efecto en el
modelo (era necesario bloquear). Además, se puede observar que existe
diferencia entre los tratamientos (maquinas).
La prueba de separación de medias de Tukey indica que la media del
tratamiento (maquina) 1, 2 y 3 no difieren estadísticamente, pero la media del
tratamiento (maquina) 1 y 2 difieren estadísticamente significativo con el
tratamiento (máquina) 4. En la parte inferior se muestra que el operario 2
tiene una mejor velocidad de ensamblaje de las ordeñadoras, pero no difiere
estadísticamente con el operario 1, 3, y 4, mientras que el operario 1 es
superior que el operario 5, y entre los operarios 3, 4, 5, y 6 no difieren
estadísticamente.
3.Diseño de Cuadrado Latino
Este diseño es una extensión del bloque completo al azar puesto que en él se
impone la misma restricción en la distribución al azar de los tratamientos para
formar los bloques de este diseño, más otra retribución igual para hileras. Este
12. 12
diseño es recomendable cuando las unidades experimentales pueden agruparse
de acuerdo con los niveles de dos fuentes de variabilidad. En el cuadrado latino
cada tratamiento está una vez y al azar en bloque y en cada hilera.
USOS:
Es más usado en el campo agrícola
Es más difícil su uso en el campo pecuario, por que demanda la existencia
y 2 fuentes de variabilidad
Igualmente puede aplicarse este diseño en experimentos con animales
cuando hay restricciones como: edad y peso de los animales, raza de los
animales y establos, producción de leche y número de partos.
El cuadrado latino se puede emplear siempre que haya homogeneidad
dentro de bloques e hileras, pero alta heterogeneidad entre bloques y
entre hileras.
VENTAJAS:
Controla la FV en dos direcciones, hileras y bloques; es decir extrae del
error experimental la variación debido a tratamientos, hileras y bloques.
DESVENTAJAS:
Se pierde GL en el error experimental, sacrificando, números limitados
de tratamientos, porque el número de hileras y bloque deben ser igual al
de tratamientos
RESTRICCIONES:
Un tratamiento debe de estar solamente una vez en la columna o bloque.
13. 13
Debemos recordar que el cuadrado latino se usa para bloquear en dos sentidos
por tanto se debe formar bloques en dos direcciones. El uso de CL aumenta la
precisión en los experimentos
Para crear un archivo de un diseño de cuadrado latino en Excel procederemos
de igual manera que lo hicimos anteriormente. Supongamos que tenemos un
diseño de CL que tiene cinco tratamientos (las letras indican las variedades y el
valor indica los rendimientos de maíz por parcela).
Ejemplo:
Se probó 4 nuevas raciones para evaluar la producción de leche durante el
primer mes de lactación en vacas de 1°, 2°, 3° y 4° parto, se emplearon 16 vacas
de 4 razas distintas: 4 Holstein, 4 Brown Swiss, 4 Jersey y 4 Gyr. Se desea
probar el efecto de las cuatro raciones.
Los tratamientos están dados por las letras A, B, C y D
1 2 3 4
630 680 750 810
A B C D
890 750 790 840
D A B C
750 800 600 620
C D A B
940 990 1050 800
B C D A
Y.j
GYR
HOLTEIN
TOTAL TRAT. (K)
HILERAS
(RAZAS)
(i)
BLOQUES O COLUMNAS
(LACTACIONES)
(j)
SUMA
Yi.
JERSEY
BROWN SWISS
Razas Lactaciones Tratamiento Rendimiento
Jersey 1 C 630
Jersey 2 B 680
Jersey 3 C 750
Jersey 4 D 810
Brown Swiss 1 D 890
Brown Swiss 2 A 750
Brown Swiss 3 B 790
Brown Swiss 4 C 840
Gyr 1 C 750
Gyr 2 D 800
Gyr 3 A 600
Gyr 4 B 620
Holstein 1 B 940
Holstein 2 C 990
Holstein 3 D 1050
Holstein 4 A 800
14. 14
Copiamos este archivo y lo pegamos, incluyendo el nombre de las columnas, en
una nueva tabla de INFOSTAT. Posterior hacemos el análisis de varianza
considerando razas, lactaciones y tratamientos como variables de clasificación
y rendimiento como variable como variable dependiente (variable de
respuesta); lo demás procedemos de igual manera que en los ejercicios
anteriores. La ventana de los resultados nos muestra los siguientes datos:
Análisis de la varianza
Variable N R² R² Aj CV
Rendimiento 16 0.95 0.87 5.78
Cuadro de Análisis de la Varianza (SC tipo I)
F.V. SC gl CM F p-valor
Modelo. 237947.92 9 26438.66 12.59 0.0030
Razas 158018.75 3 52672.92 25.09 0.0009
Lactaciones 3618.75 3 1206.25 0.57 0.6524
Tratamiento 76310.42 3 25436.81 12.12 0.0059
Error 12595.83 6 2099.31
Total 250543.75 15
Test: Tukey Alfa=0.05 DMS=112.15372
Error: 2099.3056 gl: 6
Razas Medias n E.E.
Gyr 692.50 4 22.91 A
Jersey 717.50 4 22.91 A B
Brown Swiss 817.50 4 22.91 B
Holstein 945.00 4 22.91 C
Medias con una letra común no son significativamente diferentes (p > 0.05)
Test: Tukey Alfa=0.05 DMS=112.15372
Error: 2099.3056 gl: 6
Lactaciones Medias n E.E.
4.00 767.50 4 22.91 A
3.00 797.50 4 22.91 A
1.00 802.50 4 22.91 A
2.00 805.00 4 22.91 A
Medias con una letra común no son significativamente diferentes (p > 0.05)
Test: Tukey Alfa=0.05 DMS=114.00763
Error: 2099.3056 gl: 6
Tratamiento Medias n E.E.
A 716.67 3 26.45 A
B 757.50 4 22.91 A
C 792.00 5 20.49 A B
D 887.50 4 22.91 B
Medias con una letra común no son significativamente diferentes (p > 0.05)
15. 15
De los resultados de la prueba de Tukey se observa que las medias de los
tratamientos A, B y C no difieren estadísticamente entre sí, pero A y B son
diferentes a la media de D, La media de C y D no difieren estadísticamente.
4. Arreglos factoriales
Los arreglos factoriales no son propiamente diseños experimentales sino una
posibilidad adecuar un diseño BCA o DCA cuando queremos estudiar más de un
factor. En otras palabras, permiten estudiar más de un factor con poco trabajo
adicional, aumenta la cobertura y utilidad de los resultados al proveer
información sobre las interacciones de los factores en prueba.
Para este ejemplo consideremos un arreglo factorial tres variedades de caña
de azúcar (V) y tres niveles de Nitrógeno, conducido utilizando un diseño BCA
con dos repeticiones (bloques).
Cuando se analizan los resultados del experimento se pueden hacer las
siguientes comparaciones:
a) Comparaciones entre variedades
b) Comparaciones entre niveles de Nitrógeno
c) la interacción de variedad y Nitrógeno
Las dos primeras comparaciones son entre efectos principales. La presencia
ausencia de efectos principales no dice nada acerca de la presencia o ausencia
de interacciones y viceversa, por lo tanto, se deben considerar separadamente.
Si el análisis presenta interacción significativa implica que los efectos de los
factores no son independientes entre sí. Por lo tanto, no se puede concluir que
el mejor tratamiento corresponde a la combinación de la variedad con el mayor
promedio y el nivel de nitrógeno con el promedio más alto. Es necesario
estudiar más a fondo como se comporta cada variedad con los diferentes
niveles de fertilización, o los niveles de fertilización con cada variedad.
Podemos realizar el análisis con los siguientes datos.
Ventajas:
Permiten estudiar los efectos principales, efectos de interacción de
factores, efectos simples y efectos cruzados y anidados
16. 16
Todas las unidades experimentales intervienen en la determinación de
los efectos principales y de los efectos de interacción de los factores,
por lo que el número de repeticiones es elevado para estos casos
Desventajas:
Se requiere un mayor número de unidades experimentales que los
experimentos simples y por lo tanto se tendrá un mayor costo y trabajo
en la ejecución del experimento.
Como en los experimentos factoriales cada uno de los niveles de un
factor se combinan con los niveles de los otros factores; a fin de que
exista un balance en el análisis estadístico se tendrá que alguna de las
combinaciones no tiene interés práctico, pero deben incluirse para
mantener el balance.
Variedades
Fertilización V0 V1 V2
Bloque I
F0 66.52 61.45 68.60
F1 68.98 62.55 64.54
F2 75.95 57.90 68.09
Bloque II
F0 56.50 53.45 58.50
F1 58.95 51.55 54.54
F2 66.95 47.90 58.19
17. 17
Bloque Fertilización Variedades Rendimiento
I F0 V0 66.25
I F0 V1 61.45
I F0 V3 68.6
I F1 V0 68.98
I F1 V1 62.55
I F1 V3 64.54
I F2 V0 75.95
I F2 V1 57.9
I F2 V3 68.09
II F0 V0 56.5
II F0 V1 53.45
II F0 V3 58.5
II F1 V0 58.95
II F1 V1 51.55
II F1 V3 54.54
II F2 V0 66.95
II F2 V1 47.9
II F2 V3 58.19
Se selecciona esta tabla y se pega en el programa INFOSTAT. Se procede de
igual manera que los anteriores a diferencia que en esta tabla se tomará como
variables de clasificación a los bloques, fertilización y variedades; y como
variable dependiente (variable de respuesta) se tomará el rendimiento.
18. 18
Dentro del cuadro de especificaciones del modelo, al final se deberá digitar
(bien escrito) Fertilización*Variedades
Luego pinchar “mostrar medias según”, prueba de Duncan y aceptar.
19. 19
La salida en la ventana de resultados muestra los siguientes datos:
Análisis de la varianza
Variable N R² R² Aj CV
Rendimiento 18 1.00 0.99 0.96
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo 877.95 9 97.55 281.95 <0.0001
Bloque 428.07 1 428.07 1237.25 <0.0001
Fertilización 17.24 2 8.62 24.91 0.0004
Variedades 295.52 2 147.76 427.07 <0.0001
Fertilización*Variedad 137.12 4 34.28 99.08 <0.0001
Error 2.77 8 0.35
Total 880.72 17
Test: LSD Fisher Alfa:=0.05 DMS:=0.63942
Error: 0.3460 gl: 8
Bloque Medias n
II 56.28 9 A
I 66.03 9 B
Letras distintas indican diferencias significativas (p<=0.05)
Test: LSD Fisher Alfa:=0.05 DMS:=0.78312
Error: 0.3460 gl: 8
Fertilización Medias n
F1 60.19 6 A
F0 60.79 6 A
F2 62.50 6 B
Letras distintas indican diferencias significativas (p<=0.05)
Test: LSD Fisher Alfa:=0.05 DMS:=0.78312
Error: 0.3460 gl: 8
Variedades Medias n
V1 55.80 6 A
V3 62.08 6 B
V0 65.60 6 C
Letras distintas indican diferencias significativas (p<=0.05)
Test: LSD Fisher Alfa:=0.05 DMS:=1.35641
Error: 0.3460 gl: 8
Fertilización Variedades Medias n
F2 V1 52.90 2 A
F1 V1 57.05 2 B
F0 V1 57.45 2 B
F1 V3 59.54 2 C
F0 V0 61.38 2 D
F2 V3 63.14 2 E
F0 V3 63.55 2 E
F1 V0 63.97 2 E
F2 V0 71.45 2 F
Letras distintas indican diferencias significativas (p<=0.05)
20. 20
Aunque los efectos principales variedad (0.0001) y fertilizante (0.0004), son
significativos no se le puede estudiar por separado, debido a que la mejor dosis
de fertilización depende de la variedad que se está investigando, según se
deduce que la interacción Variedad - fertilizante es significativa (0.0001). Lo
más recomendable en este caso sería hacer un análisis de la tendencia de la
respuesta de cada variedad a la fertilización; para esto se debe calcular los
componentes lineal y cuadrático para cada variedad.
Si la interacción no hubiese sido significativa, hubiese sido necesario hacer
comparación de las medias de las variedades y ajustar curvas de
respuestas para los niveles de fertilización del promedio de las variedades.
5. Diseños de parcelas divididas
La necesidad de utilizar el diseño de parcelas divididas surge cuando se aplica
dos o más tipos de en arreglos factoriales, si los niveles de un factor pueden
aplicarse a parcelas relativamente pequeñas mientras que los otros puedan
aplicarse en parcelas más grandes.
Un ejemplo de este es cuando se prueban diferentes niveles de irrigación en
parcelas y factores tales como variedades o fertilizantes son aplicados a las
parcelas pequeñas. Supóngase que se tiene un experimento con dos niveles de
irrigación (alta y moderada) y cuatro variedades de caña en cuatro bloques. Los
datos del rendimiento de la caña son:
Irrigación
Variedad
1 2 3 4
Bloque I Alta 123.2 132.3 123.2 128.8
Moderada 118.2 123.2 115.2 116.3
Bloque II Alta 128.2 138.3 128.2 125.8
Moderada 119.2 120.2 117.2 121.3
Bloque III Alta 118.2 122.3 121.2 124.8
Moderada 111.2 117.2 113.2 113.3
Bloque IV Alta 128.2 123.3 128.2 132.8
Moderada 113.2 122.2 114.2 116.3
La tabla para realizar el análisis de varianza que se debe realizar en
INFOSTAT quedará de la siguiente manera:
21. 21
Bloque Irrigación Variedad Rendimiento
I Alta 1 123.2
I Alta 2 132.3
I Alta 3 123.2
I Alta 4 128.8
I Moderada 1 118.2
I Moderada 2 123.2
I Moderada 3 115.2
I Moderada 4 116.3
II Alta 1 128.2
II Alta 2 138.3
II Alta 3 128.2
II Alta 4 125.8
II Moderada 1 119.2
II Moderada 2 120.2
II Moderada 3 117.2
II Moderada 4 121.3
III Alta 1 118.2
III Alta 2 122.3
III Alta 3 121.2
III Alta 4 124.8
III Moderada 1 111.2
III Moderada 2 117.2
III Moderada 3 113.2
III Moderada 4 113.3
IV Alta 1 128.2
IV Alta 2 123.3
IV Alta 3 128.2
IV Alta 4 132.8
IV Moderada 1 113.2
IV Moderada 2 122.2
IV Moderada 3 114.2
IV Moderada 4 116.3
Para realizar el análisis de varianza procedemos de igual manera que en los
análisis anteriores. En este caso debemos seleccionar las interacciones de las
que nos interesan dos (Bloque*Irrigación; Irrigación*Variedad) que se
constituyen como nuevas fuentes de variación en comparación con los análisis
de BCA y DCA. Para seleccionar las interacciones debemos dar clic opción de
22. 22
Interacciones del análisis de varianza. Para este caso nos interesa un modelo
que considere las siguientes fuentes de variación:
Bloque
Irrigación
Variedad
Bloque*Irrigación
Irrigación*Variedad.
La salida de datos en la ventana de resultados es la siguiente:
Análisis de la varianza
Variable N R² R² Aj CV
Rendimiento 32 0.85 0.75 2.70
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo 1127.31 13 86.72 8.00 <0.0001
Bloque 214.59 3 71.53 6.60 0.0033
Irrigación 754.66 1 754.66 69.64 <0.0001
Variedad 129.92 3 43.31 4.00 0.0241
Bloque*Irrigación 18.09 3 6.03 0.56 0.6504
Irrigación*Variedad 10.03 3 3.34 0.31 0.8188
Error 195.06 18 10.84
Total 1322.37 31
Test: Duncan Alfa:=0.05
Error: 10.8368 gl: 18
Bloque Medias n
II 124.80 8 A
I 122.55 8 A
IV 122.30 8 A
III 117.68 8 B
Letras distintas indican diferencias significativas (p<= 0.05)
Test: Duncan Alfa:=0.05
Error: 10.8368 gl: 18
Irrigación Medias n
Alta 126.69 16 A
Moderada 116.98 16 B
Letras distintas indican diferencias significativas (p<= 0.05)
Test: Duncan Alfa:=0.05
Error: 10.8368 gl: 18
Variedad Medias n
2 124.88 8 A
4 122.43 8 A B
3 120.08 8 B
1 119.95 8 B
Letras distintas indican diferencias significativas (p<= 0.05)
23. 23
Test: Duncan Alfa:=0.05
Error: 10.8368 gl: 18
Bloque Irrigación Medias n
II Alta 130.13 4 A
IV Alta 128.13 4 A
I Alta 126.88 4 A
III Alta 121.63 4 B
II Moderada 119.48 4 B
I Moderada 118.23 4 B C
IV Moderada 116.48 4 B C
III Moderada 113.73 4 C
Letras distintas indican diferencias significativas (p<= 0.05)
Test: Duncan Alfa: = 0.05
Error: 10.8368 gl: 18
Irrigación Variedad Medias n
Alta 2 129.05 4 A
Alta 4 128.05 4 A
Alta 3 125.20 4 A B
Alta 1 124.45 4 A B
Moderada 2 120.70 4 B C
Moderada 4 116.80 4 C D
Moderada 1 115.45 4 D
Moderada 3 114.95 4 D
Letras distintas indican diferencias significativas (p<= 0.05)
En este ejemplo hubo diferencias significativas entre irrigaciones (<0.0001) y
entre variedades (0.024), y no hubo diferencias en las interacciones, debido a
esto se analizan por separado los componentes principales con una prueba de
Duncan. El resultado que la mejor variedad fue la número 2 y la mejor
irrigación fue la alta, considerando que el rendimiento de las parcelas es
independiente de las interacciones. Nótese que la prueba de Duncan hizo
grupos con las interacciones entre bloque e irrigación, sin embargo, si el
ANVA demostró que no existían diferencias al 5% (p=0.05), entonces la
categorización de la prueba es inválida.
6. Curvas de respuesta (regresión y correlación)
Como se mencionó anteriormente existen una serie de datos que no pueden ser
analizados mediante la comparación de medias como por ejemplo niveles de
fertilidad, dosis de producto, niveles de inclusión de un producto alimenticio,
niveles de urea en la alimentación del ganado, etc. Las curvas de respuestas o
curvas de regresión son la alternativa más segura para analizar correctamente
estos datos, las cuales nos reflejarán la respuesta o comportamiento que tiene
un factor de estudio con respecto a los diferentes niveles de un tratamiento.
Además, estas permiten representar matemáticamente por medio de una
24. 24
ecuación la relación entre las variables. Miremos algunas de las curvas de
respuestas más usadas.
6.1 Regresión lineal
Podemos ver esto con un ejemplo práctico. Un ganadero está interesado en
determinar el peso de sus toretes a partir del peso de sus padres. Mediante de
un análisis de regresión si existe una relación significativa entre las dos
variables y expresar, por medio de una ecuación, la relación entre el peso de la
cría y el peso de su padre. Esta ecuación permitirá predecir cuál sería el peso
de la cría para determinado peso del padre. A continuación, los datos con las
mediciones.
PESO DEL PADRE
(Xi)
PESO DE LA CRIA
(Yi)
456.31 433.63
496.68 415.49
461.76 428.19
466.75 469.92
458.58 478.09
455.41 418.67
455.86 425.47
509.84 454.95
435.90 407.78
475.36 426.83
4672.45 4359.02
25. 25
Copiamos esta tabla y la pegamos incluyendo los nombres de las columnas en
una tabla nueva en INFOSTAT. Vamos a Análisis y seleccionamos regresión
lineal. Asignamos como Variable dependiente a peso de cría y Variable
regresora o independiente a peso del padre. La salida en este análisis genera
tres ventanas: una sobre análisis de varianza de la regresión, la segunda un
grafico representado la regresión en un plano x, y, la tercera es una ventana
de herramientas para mejorar la calidad del gráfico al gusto del investigador.
Las tres ventanas se muestran en la siguiente imagen.
26. 26
Observando la ventana de análisis de varianza podemos afirmar que la ecuación
de regresión lineal explica claramente la relación entre el peso del padre y el
peso de la cría. El coeficiente de correlación de Pearson (R) es igual a la raíz
cuadrada del coeficiente de determinación (R= √R2
). Por tanto, el Coeficiente
de correlación de Pearson es R= 1, lo que significa que el 100 % de los cambios
del peso de la cría son explicados por un cambio en el peso del padre.
Por otra parte, podemos observar el modelo de regresión lineal es significativo
para esta relación lineal con un nivel de confianza de 95%. La regresión lineal
se define con la ecuación
y = a + b X.
y = Peso de la cría
a = Intercepto
b = Coeficiente de regresión lineal del volumen
x = Peso del padre
27. 27
Considerando el valor estimado de los parámetros y su significancia en el
resultado del análisis de varianza, el modelo de regresión lineal quedaría
expresado de la siguiente manera:
Peso de la cría = 0.15 + 0.93 * Peso del padre
7. Gráficos en INFOSTAT
Una de las cosas importantes que se debe recordar es la frase trillada pero
muy cierta es que un “Un gráfico dice más que mil palabras”. Para el diseño de
los gráficos, INFOSTAT posee herramientas suficientes y necesarias para
generar gráficos de excelente calidad que pueden ayudar a mejorar la calidad
de presentación de los datos de sus investigaciones.
A continuación, generaremos un gráfico en base a datos facilitados por
estudiantes. La investigación está basada en estudio del efecto de diferentes
proporciones de Nitrógeno – Azufre, sobre la ganancia de peso de novillos en
kg/animal. Podemos observar la tabla de datos a continuación:
Rep. Tratamiento 3D 6D 9D 12D 15D 18D 21D 24D 27D 30D
1 Nit/Azu10:1 11 11.4 11 11.5 11.1 10.8 11.2 11.3 11.1 11.6
2 Nit/Azu10:1 10 10.7 11.1 11.7 10.9 11.5 11.3 11.5 11.4 11.3
3 Nit/Azu10:1 10.5 10.8 11 11.3 11.1 11.4 11.1 11.3 11.6 11.2
4 Nit/Azu10:1 11.2 11.4 11.3 11.1 11.5 11.5 11.2 11.6 11.3 11.4
1 Nit/Azu15:1 12.8 13 12.8 12.6 12.8 13.1 13 13.1 13 12.9
2 Nit/Azu15:1 13 12.6 12.6 12.9 13 13.1 13.2 13 12.8 13.1
3 Nit/Azu15:1 12.8 12.9 12.9 13.2 13.1 13.2 12.9 13 12.7 12.9
4 Nit/Azu15:1 12.7 13.1 13 13.1 12.9 13 12.8 13.2 12.9 12.7
1 Nit/Azu20:1 12 12.8 12.1 12.4 12.3 12.8 12.8 12.5 12.4 12.2
2 Nit/Azu20:1 12.6 12.3 12.9 12.4 12.1 12.9 12.7 12.9 11.9 12.1
3 Nit/Azu20:1 12.1 12.7 12.8 12 12.5 12.3 12.4 12.8 12.3 12.1
4 Nit/Azu20:1 12.3 12.5 12.7 12.9 12.4 12 12.7 12.3 12.1 11.9
1 Mel/urea 11 11.2 9.9 10.3 10.3 10.7 11.1 11.2 11.3 11.6
2 Mel/urea 11.5 11.4 10.6 10.8 11 11.2 12.1 11.8 11.4 11
3 Mel/urea 11.2 10.5 11.2 11.4 11.1 11 11.7 11.4 11.7 11.3
4 Mel/urea 11.1 11 10.7 11 10.9 11.3 11.6 11.3 11.4 11.9
1 Test/pasto 12 11.8 11.4 11.2 11 11.3 12 11.3 11.1 11.5
2 Test/pasto 11.1 11 11.3 10.8 10.9 11.5 11.2 11.4 11.2 11.7
3 Test/pasto 11.4 11.7 11.1 11 10.7 11.6 11 11.5 11.3 11.6
4 Test/pasto 11.7 11.9 11.4 11.3 11 11 11.7 11.7 11.9 11.5
28. 28
A continuación, seleccionamos la tabla generada en Excel y la pegamos
incluyendo nombre de las columnas en una tabla nueva en INFOSTAT.
Posteriormente seleccionamos de la barra de herramientas la opción Gráficos;
y damos clic en el tipo de gráfico llamado Diagrama de perfiles multivariados.
Se desplegará una ventana donde nos pregunta el tipo de variable a graficar y
los perfiles u opciones de clasificación de las variables a graficar. Para este
caso seleccionamos todas las columnas que representan los periodos que se
tomo los datos como Variables y seleccionamos a tratamiento como los Perfiles
que queremos clasificar los datos a como se muestra en la siguiente figura.
29. 29
Con estas indicaciones el gráfico generado será el siguiente:
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
ón Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
3D 6D 9D 12D 15D 18D 21D 24D 27D 30D
10.55
11.19
11.83
12.47
13.11
Escalacomún
Título
30. 30
Una vez obtenido el gráfico, es importante darle mayor calidad a estos y se
puede hacer con el uso de las Herramientas gráficas que ofrece el programa
INFOSTAT.